一文帶您了解SHAP：機器學習的模型解釋
在機器學習和數據科學領域，模型的可解釋性一直是研究者和實踐者關注的焦點。隨著深度學習和集成方法等復雜模型的廣泛應用，理解模型的決策過程變得尤為重要?？山忉屓斯ぶ悄埽‥xplainable AI ，XAI）通過提高模型的透明度，幫助建立對機器學習模型的信任和信心。
XAI是一套工具和框架，用于理解和解釋機器學習模型如何做出決策。其中，Python中的SHAP（SHapley Additive exPlanations）庫是一個非常有用的工具。SHAP庫能夠量化特征對單個預測及整體預測的貢獻，并提供美觀且易于使用的可視化功能。
接下來，我們將概括介紹下SHAP庫的基礎知識，以理解在Scikit-learn中構建的回歸和分類模型的預測。
SHAP 和SHAP values
SHAP（SHapley Additive Explanations）是一種解釋任何機器學習模型輸出的博弈論方法。它利用經典的博弈論Shapley值及其相關擴展，將最優的信用分配與局部解釋相結合（詳細信息和引用請參閱相關論文：https://github.com/shap/shap#citations）。
SHAP values幫助我們量化特征對預測的貢獻。SHAP值越接近于零，表示該特征對預測的貢獻越?。欢鳶HAP值遠離零，表示該特征對預測的貢獻越大。
安裝shap 包：
pip install shap -i https://pypi.tuna.tsinghua.edu.cn/simple我們看下面的示例：如何在回歸問題中獲取特征的SHAP值。我們將從加載庫和示例數據開始，然后快速構建一個模型來預測糖尿病的進展情況：
import numpy as np
np.set_printoptions(formatter={'float':lambda x:"{:.4f}".format(x)})
import pandas as pd
pd.options.display.float_format = "{:.3f}".format
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style='darkgrid', context='talk', palette='rainbow')
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.ensemble import (RandomForestRegressor,
RandomForestClassifier)
import shap
shap.initjs()
# Import sample data
diabetes = load_diabetes(as_frame=True)
X = diabetes['data'].iloc[:, :4] # Select first 4 columns
y = diabetes['target']
# Partition data
X_train, X_test, y_train, y_test = train_test_split(X, y,
test_size=0.2,
random_state=1)
print(f"Training features shape: {X_train.shape}")
print(f"Training target shape: {y_train.shape}\n")
print(f"Test features shape: {X_test.shape}")
print(f"Test target shape: {y_test.shape}")
display(X_train.head())
# Train a simple model
model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
一種常見的獲取SHAP值的方法是使用Explainer對象。接下來創建一個Explainer對象，并為測試數據提取shap_test值：
explainer = shap.Explainer(model)
shap_test = explainer(X_test)
print(f"Shap values length: {len(shap_test)}\n")
print(f"Sample shap value:\n{shap_test[0]}")
shap_test的長度為89，因為它包含了每個測試實例的記錄。從查看第一個測試記錄中，我們可以看到它包含三個屬性：
shap_test[0].base_values：目標的基準值
shap_test[0].data：每個特征的值
shap_test[0].values：每個對象的SHAP值
- 基準值：基準值（shap_test.base_values），也稱為期望值（explainer.expected_value），是訓練數據中目標值的平均值。
print(f"Expected value: {explainer.expected_value[0]:.1f}")
print(f"Average target value (training data): {y_train.mean():.1f}")
print(f"Base value: {np.unique(shap_test.base_values)[0]:.1f}")
- shap_test.data 包含與 X_test 相同的值
(shap_test.data == X_test).describe()
- values：shap_test 最重要的屬性是 values 屬性，因為我們可以通過它訪問 SHAP 值。讓我們將 SHAP 值轉換為 DataFrame，以便于操作：
shap_df = pd.DataFrame(shap_test.values,
columns=shap_test.feature_names,
index=X_test.index)
shap_df
可以看到每條記錄中每個特征的 SHAP 值。如果將這些 SHAP 值加到期望值上，就會得到預測值：
np.isclose(model.predict(X_test),
explainer.expected_value[0] + shap_df.sum(axis=1))
現在我們已經有了 SHAP 值，可以進行自定義可視化，如下圖所示，以理解特征的貢獻：
columns = shap_df.apply(np.abs).mean()\
.sort_values(ascending=False).index
fig, ax = plt.subplots(1, 2, figsize=(11,4))
sns.barplot(data=shap_df[columns].apply(np.abs), orient='h',
ax=ax[0])
ax[0].set_title("Mean absolute shap value")
sns.boxplot(data=shap_df[columns], orient='h', ax=ax[1])
ax[1].set_title("Distribution of shap values");
plt.show()
左側子圖顯示了每個特征的平均絕對 SHAP 值，而右側子圖顯示了各特征的 SHAP 值分布。從這些圖中可以看出，bmi 在所使用的4個特征中貢獻最大。
Shap 內置圖表
雖然我們可以使用 SHAP 值構建自己的可視化圖表，但 shap 包提供了內置的華麗可視化圖表。在本節中，我們將熟悉其中幾種選擇的可視化圖表。我們將查看兩種主要類型的圖表：
- 全局：可視化特征的整體貢獻。這種類型的圖表顯示了特征在整個數據集上的匯總貢獻。
- 局部：顯示特定實例中特征貢獻的圖表。這有助于我們深入了解單個預測。
- 條形圖/全局：對于之前顯示的左側子圖，有一個等效的內置函數，只需幾個按鍵即可調用：
shap.plots.bar(shap_test)
這個簡單但有用的圖表顯示了特征貢獻的強度。該圖基于特征的平均絕對 SHAP 值而生成：shap_df.apply(np.abs).mean()。特征按照從上到下的順序排列，具有最高平均絕對 SHAP 值的特征顯示在頂部。
- 總結圖/全局：另一個有用的圖是總結圖：
shap.summary_plot(shap_test)
以下是解釋這張圖的指南：
- 圖的橫軸顯示了特征的 SHAP 值分布。每個點代表數據集中的一個記錄。例如，我們可以看到對于 BMI 特征，點的分布相當散亂，幾乎沒有點位于 0 附近，而對于年齡特征，點更加集中地分布在 0 附近。
- 點的顏色顯示了特征值。這個額外的維度允許我們看到隨著特征值的變化，SHAP 值如何變化。換句話說，我們可以看到關系的方向。例如，我們可以看到當 BMI 較高時（由熱粉色點表示）SHAP 值傾向于較高，并且當 BMI 較低時（由藍色點表示）SHAP 值傾向于較低。還有一些紫色點散布在整個光譜中。
- 熱力圖/全局：熱力圖是另一種可視化 SHAP 值的方式。與將 SHAP 值聚合到平均值不同，我們看到以顏色編碼的個體值。特征繪制在 y 軸上，記錄繪制在 x 軸上：
shap.plots.heatmap(shap_test)
這個熱力圖的頂部還補充了每個記錄的預測值（即 f(x)）的線圖。
- Force plot/全局：這個交互式圖表允許我們通過記錄查看 SHAP 值的構成。
shap.initjs()
shap.force_plot(explainer.expected_value, shap_test.values,
X_test)
就像熱力圖一樣，x 軸顯示每個記錄。正的 SHAP 值顯示為紅色，負的 SHAP 值顯示為藍色。例如，由于第一個記錄的紅色貢獻比藍色貢獻多，因此該記錄的預測值將高于期望值。
交互性允許我們改變兩個軸。例如，y 軸顯示預測值 f(x)，x 軸根據輸出（預測）值排序，如上面的快照所示。
- 條形圖/局部:現在我們將看一下用于理解個別案例預測的圖表。讓我們從一個條形圖開始：
shap.plots.bar(shap_test[0])
與“ 條形圖/全局 ”中完全相同，只是這次我們將數據切片為單個記錄。
- Force plot/局部:Force plot是單個記錄的強制圖。
shap.initjs()
shap.plots.force(shap_test[0])
分類模型的SHAP values/圖表
上面示例是回歸模型，下面我們以分類模型展示SHAP values及可視化：
import numpy as np
np.set_printoptions(formatter={'float':lambda x:"{:.4f}".format(x)})
import pandas as pd
pd.options.display.float_format = "{:.3f}".format
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style='darkgrid', context='talk', palette='rainbow')
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
import shap
from sklearn.datasets import fetch_openml
# 加載 Titanic 數據集
titanic = fetch_openml('titanic', version=1, as_frame=True)
df = titanic.frame
# 選擇特征和目標變量
features = ['pclass', 'age', 'sibsp', 'parch', 'fare']
df = df.dropna(subset=features + ['survived']) # 刪除包含缺失值的行
X = df[features]
y = df['survived']
# 分割數據集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓練隨機森林分類器
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
和回歸模型一樣的，shap values 值也是包括base_values 和values 值：
explainer = shap.Explainer(model)
shap_test = explainer(X_test)
print(f"Length of shap_test: {len(shap_test)}\n")
print(f"Sample shap_test:\n{shap_test[0]}")
print(f"Expected value: {explainer.expected_value[1]:.2f}")
print(f"Average target value (training data): {y_train}")
print(f"Base value: {np.unique(shap_test.base_values)[0]:.2f}")
shap_df = pd.DataFrame(shap_test.values[:,:,1],
columns=shap_test.feature_names,
index=X_test.index)
shap_df我們仔細檢查一下將 shap 值之和添加到預期概率是否會給出預測概率：
np.isclose(model.predict_proba(X_test)[:,1],
explainer.expected_value[1] + shap_df.sum(axis=1))
內置圖與回歸模型是一致的，比如：
shap.plots.bar(shap_test[:,:,1])
或者瀑布圖如下：
shap.plots.waterfall(shap_test[:,:,1][0])
示例
看一個具體的用例。我們將找出模型對幸存者預測最不準確的例子，并嘗試理解模型為什么會做出錯誤的預測：
test = pd.concat([X_test, y_test], axis=1)
test['probability'] = model.predict_proba(X_test)[:,1]
test['order'] = np.arange(len(test))
test.query("survived=='1'").nsmallest(5, 'probability')
生存概率為第一個記錄的746。讓我們看看各個特征是如何對這一預測結果產生貢獻的：
ind1 = test.query("survived=='1'")\
.nsmallest(1, 'probability')['order'].values[0]
shap.plots.waterfall(shap_test[:,:,1][ind1])
主要是客艙等級和年齡拉低了預測值。讓我們在訓練數據中找到類似的例子：
pd.concat([X_train, y_train],
axis=1)[(X_train['pclass']==3) &
(X_train['age']==29) &
(X_train['fare'].between(7,8))]
所有類似的訓練實例實際上都沒有幸存?，F在，這就說得通了！這是一個小的分析示例，展示了 SHAP 如何有助于揭示模型為何會做出錯誤預測。
在機器學習和數據科學中，模型的可解釋性一直備受關注。可解釋人工智能（XAI）通過提高模型透明度，增強對模型的信任。SHAP庫是一個重要工具，通過量化特征對預測的貢獻，提供可視化功能。本文介紹了SHAP庫的基礎知識，以及如何使用它來理解回歸和分類模型的預測。通過具體用例，展示了SHAP如何幫助解釋模型錯誤預測。
